Характеристики

Контекст: 512 токенов
Архитектура: distilbert · dense
Библиотека: transformers
Опубликована: 23 ноя 2024

Ссылки

bert_tiny_lda_20_v1

Языковая модель

Экспериментальная модель на базе DistilBERT для masked language modeling, дообученная на обработанном WikiText-103 с компонентом LDA.

7скачиваний за 30 дней0лайковвеса обновлены23 ноя 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

gokulsrinivasagan/bert_tiny_lda_20_v1 — дообученная модель семейства DistilBERT для masked language modeling с компонентом LDA, обученная на наборе gokulsrinivasagan/processed_wikitext-103-raw-v1-ld-20. Репозиторий содержит веса в формате safetensors; контекст модели — до 512 токенов. В README приведены значения на оценочной выборке: loss 6,0403 и accuracy 0,4168.

Модель предназначена для экспериментов с языковым моделированием на обработанном WikiText-103. Карточка не описывает конкретные пользовательские сценарии, качество на прикладных задачах или поддержку определённых естественных языков. Лицензия и базовая модель в предоставленных данных не установлены.

Сценарии применения

эксперименты с masked language modeling на WikiText-103
оценка предсказания замаскированных токенов
исследование сочетания DistilBERT и LDA

Ограничения

В README указаны loss 6,0403 и accuracy 0,4168 на оценочной выборке; прикладные сценарии и ограничения качества не описаны. Базовая модель, лицензия и поддерживаемые языки не установлены в предоставленных данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert_tiny_lda_20_v1

This model is a fine-tuned version of on the gokulsrinivasagan/processed_wikitext-103-raw-v1-ld-20 dataset. It achieves the following results on the evaluation set:

Loss: 6.0403
Accuracy: 0.4168

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 0.0001
train_batch_size: 160
eval_batch_size: 160
seed: 10
optimizer: Use OptimizerNames.ADAMW_TORCH with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 10000
num_epochs: 25

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
9.1187	6.9979	10000	9.0552	0.1527
7.4451	13.9958	20000	7.1630	0.2960
6.27	20.9937	30000	6.0979	0.4066

Framework versions

Transformers 4.46.1
Pytorch 2.2.0+cu121
Datasets 3.1.0
Tokenizers 0.20.1

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

У модели не указана задача.

Класс архитектуры: DistilBertForLDAMaskedLM
Ревизия весов: 679cc34